文献

J-GLOBAL ID：201902220829551650   整理番号：19A0516507

動的認知仮想演算子によるM2Mアクセス:データ集約者の展望【JST・京大機械翻訳】

M2M Access With Dynamic Cognitive Virtual Operators: A Data Aggregator’s Perspective

著者 (4件)： Li Dapeng (College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing, China) ,  Zhao Haitao (College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing, China) ,  Gao Lin (School of Electronic and Information Engineering, Harbin Institute of Technology, Shenzhen, China) ,  Zhu Hongbo (College of Telecommunications and Information Engineering, Nanjing University of Posts and Telecommunications, Nanjing, China)
資料名： IEEE Access  (IEEE Access)
巻： 5  ページ： 5662-5677  発行年： 2017年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本論文において,機械-機械(M2M)通信のための集合体支援モデルを提案した。データ集約器は,凝集したM2Mデータを認知演算子に伝達する第3パーティの役割を果たし,それは無線スペクトルを自身ではなく,むしろスペクトル所有者からそれを読み出す。研究したシステムにおいて,機械サービスのための認知オペレータはネットワークにおいて動的に出現し,互いに競合すると考えられており,それらの各々は不確実なバックワードM2Mデータトラフィックを持っている。次に,2番目の期間にオークションの結果を予測することにより,長期(LT)または短期(ST)サービス関係のどちらかを設定するための1つのオペレータを選択するために,集合体を決定することができる。ST関係の下で,集合体は次の期間に新しい演算子に切り替えるオプションを維持し,それにより,可能なパケット損失コストを招く。対照的に,LT関係により,凝集体は長期間にわたって演算子に適合するが,可能性のある低い操作コストで演算子を選択する機会を失う可能性がある。凝集体の期待効用を最大化する最適決定を導いた。提案したM2Mアクセスモデルは,M2M通信のためのスイッチングコストと長期サービス契約の利益の両方を考慮することを可能にする。さらに,LT関係は,演算子間のスイッチングコストが比較的高いとき,ST関係よりも高いアクセス数の機械を誘導する可能性があることを示した。シミュレーション結果は,集合体支援M2Mモデルのためのスペクトル共有が,特定の時間におけるアクセス機械の数を著しく増加させることができ,また,スペクトル所有者,演算子,および集合体のための余分な収入をもたらすことを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *モデル ,  スペクトル ,  凝集体 ,  ネットワーク ,  通信 ,  モデリング ,  パケット損失 ,  シミュレーション ,  オペレータ ,  不確実性
準シソーラス用語： スイッチングコスト ,  オークション ,  所有者 ,  *データ集約 ,  *情報へのアクセス ,  *M2M , 【Automatic Indexing@JST】

分類 (2件)： 信号理論  (ND02020G) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： 認知 ,  仮想 ,  演算子 ,  M2M ,  アクセス ,  データ集約 ,  展望